This project develops a platform using computer vision to analyze real-time CCTV footage for detecting traffic law violations, such as crossing solid lines. The system can automatically identify and record traffic rule infringements, improving law enforcement efficiency and reducing the workload of traffic police officers. Moreover, it plays a crucial role in developing smart city systems by integrating data to enhance traffic management and road safety.
ในปัจจุบัน ปัญหาการจราจรและอุบัติเหตุบนท้องถนนเป็นประเด็นสำคัญที่ส่งผลกระทบต่อคุณภาพชีวิตของประชาชนและการพัฒนาเมือง การฝ่าฝืนกฎจราจร โดยเฉพาะการขับรถทับเส้นทึบ เป็นสาเหตุหลักของอุบัติเหตุและการจราจรติดขัด แม้จะมีการติดตั้งกล้องวงจรปิดอย่างแพร่หลาย แต่การตรวจสอบภาพจำนวนมากโดยเจ้าหน้าที่มนุษย์นั้นมีข้อจำกัดด้านประสิทธิภาพและความแม่นยำ ความก้าวหน้าทางเทคโนโลยีคอมพิวเตอร์วิทัศน์และปัญญาประดิษฐ์ เปิดโอกาสให้สามารถพัฒนาระบบอัตโนมัติที่มีประสิทธิภาพสูงในการตรวจจับและวิเคราะห์พฤติกรรมการขับขี่ที่ผิดกฎหมาย การนำเทคโนโลยีเหล่านี้มาประยุกต์ใช้ในการบังคับใช้กฎหมายจราจรจะช่วยเพิ่มความปลอดภัยบนท้องถนน ลดภาระของเจ้าหน้าที่ และสนับสนุนการตัดสินใจเชิงนโยบายด้านการจราจรได้อย่างมีประสิทธิภาพ นอกจากนี้ แนวคิดเรื่องเมืองอัจฉริยะ (Smart City) กำลังได้รับความสนใจอย่างมากในการพัฒนาเมืองสมัยใหม่ การบูรณาการระบบตรวจจับการกระทำผิดกฎจราจรอัตโนมัติเข้ากับโครงสร้างพื้นฐานของเมืองอัจฉริยะ จะช่วยยกระดับการบริหารจัดการเมืองและคุณภาพชีวิตของประชาชน ด้วยเหตุนี้ การพัฒนาแพลตฟอร์มที่ใช้คอมพิวเตอร์วิทัศน์ในการตรวจจับการกระทำผิดกฎจราจรจึงมีความสำคัญอย่างยิ่ง เพื่อแก้ไขปัญหาการจราจร เพิ่มความปลอดภัยบนท้องถนน และสนับสนุนการพัฒนาเมืองอัจฉริยะในอนาคต
คณะอุตสาหกรรมอาหาร
Plant-based refers to food or products that are primarily made from plants. It can be divided into two categories: one is food that comes entirely from plants and does not include any animal products, and the other is food that contains small amounts of animal products, such as products that contain milk and eggs in limited quantities, which may also be considered part of the definition of plant-based. Plant-based meat products that closely resemble real meat and attract consumers are considered a relatively new innovation. Although tofu, tempeh, and seitan have been around for a long time, recent discoveries have led to the production of plant-based meat products that provide a sensory experience, making it difficult for consumers to distinguish between real meat and plant-based meat. Furthermore, the development of plant-based food products must prioritize quality and safety to maximize consumer benefits. Textured Vegetable Protein (TVP) is a plant-based protein made from soybeans using an extruder. It is used as a primary ingredient in the production of plant-based food products due to several advantages. These include: • High Protein Content: TVP is made from soybeans with the fat extracted, resulting in a high protein content. • Texture: When rehydrated, TVP has a texture that closely resembles meat. • Versatility: TVP has a neutral flavor, allowing it to easily absorb the flavors of various seasonings and sauces. • Cost-Effectiveness: Compared to other protein sources, TVP is relatively inexpensive while providing desirable characteristics. These benefits make TVP an attractive option in the production of plant-based foods. This study focuses on developing TVP into a plant-based crab cake and investigating the shelf life of the product in a tightly sealed container under refrigeration. It also analyzes the hygiene and cleanliness of the production process and how these factors affect the presence or growth of microorganisms that may pose a risk to consumers, referencing the cold food safety standards of Thailand. Finally, recommendations for cleaning operational areas will be provided to establishments as a guideline for developing preliminary food safety procedures in laboratory settings.
คณะวิทยาศาสตร์
With the urgent need for rapid screening of Aflatoxin B1 (AFB1) due to its association with increased liver cirrhosis and hepatocellular carcinoma cases from contaminated agricultural foods, we propose a novel electrochemical aptasensor. This aptasensor is based on trimetallic nanoparticles AuPt-Ru supported by reduced graphene oxide (AuPt-Ru/RGO) modified on a low-cost and disposable goldleaf electrode (GLEAuPt-Ru/RGO) for detection of AFB1. The trimetallic nanoparticle AuPt-Ru was synthesized using an ultrasonic-driven chemical reduction method. The synthesized AuPt-Ru exhibited a waxberry-like appearance, with AuPt core-shell structure and ruthenium dispersed over the particles. The average particle size was 57.35 ± 8.24 nm. The AuPt-Ru was integrated into RGO sheets (inner diameter of 0.5 to 1.6 µm) in order to enhance electron transfer efficiency and increase the specific immobilizing surface area of the thiol-5’-terminated modified aptamer (Apt) to target AFB1. With a large electrochemical surface area and low electrochemical impedance, GLEAuPt-Ru/RGO displays ultra-high sensitivity for AFB1 detection. Differential pulse voltammetry (DPV) measurements revealed a linear range for AFB1 detection range from 0.3 to 30.0 pg mL-1 (R2 = 0.9972), with a limit of detection (LOD, S/N = 3) and a limit of quantification (LOQ, S/N = 10) of 0.009 pg mL-1 and 0.031 pg mL-1, respectively. The developed aptasensor also demonstrated excellent accuracy in real agricultural products, including dried red chili, garlic, peanut, pepper, and Thai jasmine rice, achieving recovery rates between 94.6 and 107.9%. The fabricated aptamer-based GLEAuPt-Ru/RGO performance is comparable to that of a modified commercial electrode, which has great potential application prospects for detecting AFB1 in agricultural products.
คณะแพทยศาสตร์
This study explores the application of deep convolutional neural networks (CNNs) for accurate pill identification, addressing the limitations of traditional human-based methods. Using a dataset of 1,250 images across 10 household remedy drugs, various CNN architectures, including YOLO models, were tested under different conditions. Results showed that natural lighting was optimal for imprinted pills, while a lightbox improved detection for plain pills. The YOLOv5-tiny model demonstrated the best detection accuracy, and efficientNet_b0 achieved the highest classification performance. While the model showed strong results, its generalization is limited by sample size and drug variability. Nonetheless, this approach holds promise for enhancing medication safety and reducing errors in outpatient care.